基于互信息(Mutual Information, MI)–主成分分析(Principal Component Analysis, PCA)特征选择与Stacking集成学习的乳腺癌生存状态分类增强方法
《Array》：Enhanced Breast Cancer Survival Status Classification through MI–PCA Based Feature Selection and Stacking Ensemble Learning
编辑推荐：
摘要：乳腺癌( Breast Cancer, BC )已成为印度日益严重的公共卫生问题，每年导致大量死亡——2023年报告新发病例约221,579例，估计死亡82,429例。乳腺癌高死亡率凸显了开发改进预测模型的必要性。尽管已有研究表明处理海量数据的可行性，但
摘要：乳腺癌( Breast Cancer, BC )已成为印度日益严重的公共卫生问题，每年导致大量死亡——2023年报告新发病例约221,579例，估计死亡82,429例。乳腺癌高死亡率凸显了开发改进预测模型的必要性。尽管已有研究表明处理海量数据的可行性，但在特征表示提升及模型泛化方面仍存在挑战，尤其是通过混合特征选择和集成方法时。为填补这一文献空白，本研究提出一种结合互信息(Mutual Information, MI)与主成分分析(Principal Component Analysis, PCA)的混合特征选择方法，以及基于Stacking的集成学习算法。所提Stacking模型中，极端梯度提升树(eXtreme Gradient Boosting, XGBoost)和随机森林(Random Forest, RF)作为基学习器(Base Learner)，逻辑回归(Logistic Regression, LR)作为元学习器(Meta-learner)。研究人员旨在利用监测、流行病学和最终结果(Surveillance, Epidemiology, and End Results, SEER)数据集对乳腺癌患者的存活–死亡状态进行二分类。该混合方法与现有算法在训练–测试划分及k折交叉验证(K-fold Cross-Validation)下进行了性能比较。研究结果表明，所提混合Stacking方法优于现有方法，可为乳腺癌研究应对重大公共卫生问题提供支持。所报告的性能应结合回顾性死亡状态分类背景进行解读，因纳入死亡相关情境变量可能限制其前瞻性临床应用或实时预测部署。
论文解读——《Enhanced Breast Cancer Survival Status Classification through MI–PCA Based Feature Selection and Stacking Ensemble Learning》（发表于《Array》）
一、研究背景与意义
乳腺癌(Breast Cancer, BC)是全球及印度女性中最常见的恶性肿瘤之一，2020年全球新诊断女性乳腺癌病例达230万例，死亡约68.5万例；印度2023年估算新发221,579例、死亡82,429例。尽管早期诊断和治疗使死亡率下降，但由于肿瘤异质性及多数患者无明显危险因素（近50%仅年龄因素），乳腺癌预后预测仍具挑战。现有机器学习(Machine Learning, ML)模型在处理SEER(Surveillance, Epidemiology, and End Results)等大规模、高维、类别不平衡医学数据时，常因特征关系捕捉不足和多维特征空间表示能力弱导致预测精度受限，且多依赖单一分类器或传统特征选择方法，忽略混合特征筛选与模型集成策略。因此，研究人员开展本研究，提出互信息(Mutual Information, MI)–主成分分析(Principal Component Analysis, PCA)混合特征选择结合Stacking集成学习框架，以提升乳腺癌患者生存状态（存活vs死亡）二分类性能，并为临床决策支持提供参考。
二、关键技术方法概述
研究人员采用SEER数据库中446,599条乳腺癌患者记录（含15个初始独立特征），目标变量为生存状态STAT_REC（Alive/Dead，二分类）。数据预处理阶段检查缺失值，剔除无关列（如CASENUM），标准化采用StandardScaler（z = (x?μ)/σ）。特征选择先用MI计算各特征与目标变量的依赖性，设定阈值0.015筛选出前10个特征，再对筛选后特征做PCA提取5个主成分(Principal Components, PC1–PC5)以消除多重共线性。分类模型包括基准单模型——自适应提升(Adaptive Boosting, AdaBoost)、高斯朴素贝叶斯(Gaussian Na?ve Bayes, GNB)、极端梯度提升(eXtreme Gradient Boosting, XGBoost)、逻辑回归(Logistic Regression, LR)——以及所提Stacking集成模型：基学习器为XGBoost（learning_rate=0.1, n_estimators=100, max_depth=3）和随机森林(Random Forest, RF, n_estimators=100, max_depth=None)，元学习器为LR（C=1.0, penalty=L2, solver=lbfgs）。评估采用分层80–20划分与5折交叉验证(K-fold Cross-Validation)，指标含准确率(Accuracy)、精确率(Precision)、召回率(Recall/Sensitivity)、特异度(Specificity)、F1分数(F1-Score)及ROC曲线下面积(Area Under the ROC Curve, AUC)。
三、研究结果
III. Methodology（方法学）
研究人员经数据清洗、标准化后，通过MI筛选出O_DTH_CLASS、DTH_CLASS、AGE_DX、RADIATN、BEHO3V、FIRSTPRM、GRADE、RACE、MAR_STAT、NO_SURG共10个特征（MI得分0.01545~0.21699），排除SRV_TIME_MON_PA、SRV_TIME_MON和SEX。PCA将10维特征降维至5个主成分（累计解释方差见表3），消除冗余。特征选择消融实验表明MI+PCA组合在各分类器和验证策略下表现稳健且无过拟合迹象（SFS、ANOVA、RAW方法出现Accuracy=100%暗示数据泄露），故确定MI+PCA为最终方案。基学习器选用表现较优的XGBoost和RF，元学习器选用LR构建Stacking模型。
IV. Results and Discussion（结果与讨论）——4.2. FEATURE SELECTION BENCHMARKING RESULTS（特征选择基准测试结果）
基准测试显示SFS、ANOVA及未筛选RAW方法在AdaBoost、XGBoost、LR上均得Accuracy=100%，提示过拟合或数据泄露风险；PCA单独使用得分偏低（XGBoost下78.17%）；MI+PCA组合得XGBoost下Accuracy=88.96%、AdaBoost下80.47%、GNB下71.36%、LR下72.10%，属合理且泛化性好的结果，因此选定MI+PCA为最优特征选择策略。
4.4.1. Train-Test Split Evaluation（训练–测试集划分评估）
在80%（357,279例）训练、20%（89,320例）测试划分下，所提Stacking集成模型取得Accuracy=94.67%、Precision=95.54%、Recall=96.20%、Specificity=91.67%、F1-Score=95.87%，均高于单一XGBoost（Accuracy=88.67%，Specificity=77.33%等）、AdaBoost、GNB和LR。混淆矩阵显示真阳性(True Positive, TP)=55,860，真阴性(True Negative, TN)=26,654，假阳性(False Positive, FP)=2,602，假阴性(False Negative, FN)=2,204。
4.4.2. K-fold Cross-Validation Evaluation（K折交叉验证评估）
5折交叉验证平均结果显示Stacking模型Accuracy=94.57%、Precision=95.36%、Recall=96.36%、Specificity=91.24%、F1-Score=95.85%，同样全面优于基准模型，证明模型稳定性与泛化能力。
4.4.3. ROC Curve and AUC Analysis（ROC曲线与AUC分析）
Stacking集成模型ROC曲线下面积AUC=0.99，优于XGBoost单独模型的AUC=0.95，表明所提方法对存活/死亡两类判别能力显著增强。
四、讨论与结论总结（翻译并浓缩结论部分）
研究人员得出结论：本研究提出的MI与PCA混合特征选择方法可有效剔除不重要特征、降低过拟合风险并提升模型精度；Stacking集成学习框架以XGBoost和RF为基学习器、LR为元学习器，充分利用Bagging与Boosting互补优势，在SEER乳腺癌数据集上较单一模型取得更优且稳定的分类性能（测试集Accuracy达94.67%，5折交叉验证Accuracy达94.57%，AUC=0.99）。该方法适用于基于回顾性登记数据的乳腺癌死亡状态二分类，但因纳入死亡相关临床情境变量（如DTH_CLASS、O_DTH_CLASS），其结果应限于回顾性死亡率状态分类范畴解读，不直接适用于前瞻性生存预测或实时临床部署。未来工作可引入可解释性人工智能(eXplainable Artificial Intelligence, XAI)方法（如SHAP、LIME）、处理类别不平衡的高级技术（代价敏感学习、Borderline-SMOTE）及扩展至多分类生存结局建模。
